[논문 리뷰] Off-the-Grid Line Spectrum Denoising and Estimation with Multiple Measurement Vectors

Yuanxin Li, Yuejie Chi|arXiv (Cornell University)|2014. 08. 10.

Sparse and Compressive Sensing Techniques참고 문헌 32인용 수 7

한 줄 요약

이 논문은 다중 측정 벡터(MMVs)를 사용하여 그리드 외 선 스펙트럼의 노이즈 제거와 주파수 추정을 위한 두 가지 원자 노름 최소화 및 구조적 공분산 추정 방법을 제안한다. 이는 부분적이고 노이즈가 섞인 관측치로부터 연속적인 주파수를 가진 스펙트럼 밀도 신호를 고정밀도로 복원할 수 있도록 한다. 이 방법들은 준지그램 프로그래밍을 통해 개선된 노이즈 제거 성능과 유한 샘플 성능 보장을 달성하며, 이론적 수렴 속도와 효율적인 ADMM 구현이 함께 제공된다.

ABSTRACT

Compressed Sensing suggests that the required number of samples for reconstructing a signal can be greatly reduced if it is sparse in a known discrete basis, yet many real-world signals are sparse in a continuous dictionary. One example is the spectrally-sparse signal, which is composed of a small number of spectral atoms with arbitrary frequencies on the unit interval. In this paper we study the problem of line spectrum denoising and estimation with an ensemble of spectrally-sparse signals composed of the same set of continuous-valued frequencies from their partial and noisy observations. Two approaches are developed based on atomic norm minimization and structured covariance estimation, both of which can be solved efficiently via semidefinite programming. The first approach aims to estimate and denoise the set of signals from their partial and noisy observations via atomic norm minimization, and recover the frequencies via examining the dual polynomial of the convex program. We characterize the optimality condition of the proposed algorithm and derive the expected convergence rate for denoising, demonstrating the benefit of including multiple measurement vectors. The second approach aims to recover the population covariance matrix from the partially observed sample covariance matrix by motivating its low-rank Toeplitz structure without recovering the signal ensemble. Performance guarantee is derived with a finite number of measurement vectors. The frequencies can be recovered via conventional spectrum estimation methods such as MUSIC from the estimated covariance matrix. Finally, numerical examples are provided to validate the favorable performance of the proposed algorithms, with comparisons against several existing approaches.

연구 동기 및 목표

• 연속적인 주파수를 갖는 스펙트럼 밀도 신호가 이산 그리드와 일치하지 않을 때 발생하는 기저 불일치 문제를 해결하기 위해.
• 부분적이고 노이즈가 섞인 관측치로부터 동일한 연속 주파수 집합을 공유하는 다중 스펙트럼 밀도 신호의 노이즈 제거 및 주파수 추정을 위한 효율적인 알고리즘을 개발하기 위해.
• 다중 측정 벡터(MMVs) 간의 공동 스펙트럼 밀도 특성을 활용하여 추정 정확도를 향상시키고 샘플링 요구 조건을 감소시키기 위해.
• 이론적 성능 보장을 제공하여 점점 증가하는 수의 측정 벡터에 대한 점근적 가정에 의존하지 않도록 하기 위해.
• 기존 DFT 기반 방법의 한계를 극복하기 위해 그리드 이산화 없이 고해상도 스펙트럼 추정을 가능하게 하기 위해.

제안 방법

• 연속적인 사인파에 대한 스펙트럼 밀도를 촉진하기 위해 원자 노름 최소화를 사용하는 볼록 최적화 문제로 그리드 외 선 스펙트럼 추정 문제를 수식화한다.
• 원자 노름 최소화 문제의 해로부터 연속적인 주파수를 복원하기 위해 이중 다항식 프레임워크를 도입한다.
• 부분적으로 관측된 표본 공분산 행렬에서 인구 공분산 행렬의 낮은 랭크 토플리츠 구조를 활용하는 구조적 공분산 추정 방법을 개발한다.
• 준지그램 프로그래밍을 사용하여 원자 노름 및 공분산 추정 문제를 효율적으로 해결하며, 수렴 보장을 제공한다.
• 양의 준정부호 행렬 제약 조건을 구현하기 위해 고유값 분해를 포함한 닫힌 형태의 업데이트를 사용하는 ADMM를 적용하여 효율적인 구현을 수행한다.
• 원자 노름 접근법에 대한 최적성 조건 및 수렴 속도를 유도하며, 증가하는 MMVs 수에 따라 성능 향상이 이루어짐을 보여준다.

실험 결과

연구 질문

• RQ1 원자 노름 최소화는 부분적이고 노이즈가 섞인 관측치 하에서 다중 측정 벡터(MMVs)로 확장되어 그리드 외 선 스펙트럼 추정 성능을 향상시킬 수 있는가?
• RQ2 단일 벡터 접근법에 비해 다중 측정 벡터의 포함이 노이즈 제거 및 주파수 복원 성능에 어떻게 기여하는가?
• RQ3 낮은 랭크 토플리츠 구조를 사용하여 부분적으로 관측된 데이터로부터 인구 공분산 행렬을 복원할 경우의 유한 샘플 성능 보장은 무엇인가?
• RQ4 원자 노름 문제의 이중 다항식을 사용하여 그리드 이산화 없이 연속적인 주파수를 정확하게 복원할 수 있는가?
• RQ5 제안된 원자 노름 최소화 알고리즘의 이론적 수렴 속도는 무엇이며, 측정 벡터의 수에 따라 어떻게 스케일링되는가?

주요 결과

• 제안된 원자 노름 최소화 접근법은 노이즈 제거 오차 한계 $ \frac{1}{\sqrt{n}}\|\hat{\mathbf{u}} - \mathbf{u}^\star\|_F \leq 16\lambda\sqrt{r} $ 를 달성하며, 더 많은 측정 벡터를 사용할수록 성능 향상이 뚜렷하다.
• 구조적 공분산 추정 방법은 낮은 랭크 토플리츠 구조를 활용하여 부분적으로 관측된 데이터로부터 인구 공분산 행렬을 복원하며, 이는 후속으로 MUSIC을 통한 주파수 복원을 가능하게 한다.
• 이론적 성능 보장은 유한 수의 측정 벡터를 기반으로 유도되어, 제한된 데이터를 가진 실용적 상황에서도 강건성을 확보한다.
• 수치 결과는 기존 방법들과 비교해 유리한 성능을 보이며, 두 제안된 접근법이 그리드 외 스펙트럼 추정에서 효과적임을 검증한다.
• ADMM 구현은 닫힌 형태의 업데이트를 통해 수렴을 달성하여 알고리즘의 계산 효율성과 확장성을 확보한다.
• 이론적 분석은 원자 노름 접근법이 다중 측정 벡터 간의 공동 스펙트럼 밀도 특성에서 유의미한 이점을 얻으며, 추정 정확도 향상과 샘플링 요구 조건 감소에 기여함을 확인한다.